CN116976901A - 对象识别方法、装置和计算机可读存储介质 - Google Patents
对象识别方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116976901A CN116976901A CN202310123597.8A CN202310123597A CN116976901A CN 116976901 A CN116976901 A CN 116976901A CN 202310123597 A CN202310123597 A CN 202310123597A CN 116976901 A CN116976901 A CN 116976901A
- Authority
- CN
- China
- Prior art keywords
- business service
- objects
- business
- service
- association
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims description 61
- 230000003993 interaction Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 127
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 206010000117 Abnormal behaviour Diseases 0.000 description 17
- 230000006399 behavior Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
- G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种对象识别方法、装置和计算机可读存储介质;通过获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建对象关联网络;在业务服务对象的交易属性信息中提取出对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到对象集合;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。以此,提高目标对象集合识别的准确性,进而提升对象识别效率。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种对象识别方法、装置和计算机可读存储介质。
背景技术
随着互联网技术的快速发展,第三方支付的业务场景越来越广泛。为了保障交易过程中虚拟资源转移业务的正常运行,需要对交易过程中存在的交易风险等异常行为进行识别和发现,例如,对以组织形式产生异常行为的商户群或者未出现异常行为的商户群等目标对象集合进行识别,从而对目标对象集合的交易过程进行针对性的规范,以避免或者减少交易过程中产生的损失。在现有的对象识别方法中,一般采用商户的注册信息为线索构建商户关联图网络,然后采用社区划分算法在商户关联图网络中识别出目标对象集合。
在对现有技术的研究和实践过程中发现,由于商户注册信息包含的信息的有限性,使得现有的对象识别方法无法准确的识别出目标对象集合,进行导致异常对象的识别效率较低。
发明内容
本申请实施例提供一种对象识别方法、装置和计算机可读存储介质,可以提高目标对象集合识别的准确性,进而提升对象识别效率。
本申请实施例提供一种对象识别方法,包括:
获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于所述历史交易数据确定出所述业务服务对象之间的交易关联程度信息;
基于所述交易关联程度信息构建所述业务服务对象之间的对象关联网络,所述对象关联网络中包括存在连接关系的多个节点,所述节点与所述业务服务对象对应,所述连接关系表征所述业务服务对象之间的交易关联关系;
获取所述业务服务对象的交易属性信息,并在所述交易属性信息中提取出所述业务服务对象的对象特征;
在所述对象关联网络中识别出所述业务服务对象对应的关联对象,并将所述业务服务对象和所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象的目标对象特征;
基于所述目标对象特征对所述业务服务对象进行聚类处理,得到至少一个类别的对象集合,所述对象集合包括同一类别的至少一个业务服务对象;
根据所述目标业务场景对应的异常对象识别规则信息,在所述对象集合中识别出目标对象集合。
相应的,本申请实施例提供一种对象识别装置,包括:
获取单元,用于获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于所述历史交易数据确定出所述业务服务对象之间的交易关联程度信息;
构建单元,用于基于所述交易关联程度信息构建所述业务服务对象之间的对象关联网络,所述对象关联网络中包括存在连接关系的多个节点,所述节点与所述业务服务对象对应,所述连接关系表征所述业务服务对象之间的交易关联关系;
提取单元,用于获取所述业务服务对象的交易属性信息,并在所述交易属性信息中提取出所述业务服务对象的对象特征;
融合单元,用于在所述对象关联网络中识别出所述业务服务对象对应的关联对象,并将所述业务服务对象和所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象的目标对象特征;
聚类单元,用于基于所述目标对象特征对所述业务服务对象进行聚类处理,得到至少一个类别的对象集合,所述对象集合包括同一类别的至少一个业务服务对象;
识别单元,用于根据所述目标业务场景对应的异常对象识别规则信息,在所述对象集合中识别出目标对象集合。
在一实施例中,所述识别单元,包括:
对象识别子单元,用于根据所述目标业务场景对应的异常对象识别规则信息,在所述业务对象中识别出异常对象;
异常程度信息确定子单元,用于基于所述对象集合中存在所述异常对象的数量信息,确定出所述对象集合的异常程度信息;
目标对象集合识别子单元,用于基于所述异常程度信息在所述对象集合中识别出目标对象集合。
在一实施例中,所述异常程度信息确定子单元,包括:
对象数量统计模块,用于统计所述对象集合中业务对象以及异常对象的数量,得到所述对象集合的业务对象数量以及异常对象数量;
异常程度信息计算模块,用于基于所述业务对象数量以及所述异常对象数量之间的数量关系,计算出所述对象集合的异常程度信息。
在一实施例中,所述获取单元,包括:
提取子单元,用于在所述历史交易数据中提取出所述业务服务对象对应的业务接收对象交互数量,以及所述业务服务对象之间基于所述业务接收对象的交互关联数量;
计算子单元,用于基于所述业务接收对象交互数量以及所述交互关联数量计算所述业务服务对象之间的交易关联程度信息。
在一实施例中,所述构建单元,包括:
关联程度阈值获取子单元,用于获取所述目标业务场景对应的关联程度阈值;
交易关联关系识别子单元,用于基于所述关联程度阈值以及所述交易关联程度信息,识别出所述业务服务对象之间的交易关联关系;
对象关联网络构建子单元,用于根据所述交易关联关系构建所述业务服务对象之间的对象关联网络。
在一实施例中,所述融合单元,包括:
特征融合子单元,用于采用对象识别模型将所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象对应的关联对象特征;
特征拼接子单元,用于对所述业务服务对象对应的对象特征以及所述关联对象特征进行特征拼接处理,得到所述业务服务对象的目标对象特征。
在一实施例中,所述对象识别装置,还包括:
样本获取单元,用于获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,所述对象关联网络样本中包括存在连接关系的多个节点样本,所述节点样本与所述业务服务对象样本对应;
对象特征提取单元,用于基于所述对象关联网络样本,采用预设对象识别模型对所述交易属性信息样本进行特征提取,得到所述业务服务对象样本的目标对象特征样本;
关联关系确定单元,用于根据所述对象关联网络样本中节点的连接关系,确定所述业务服务对象样本之间的关联系数,并根据所述目标对象特征样本计算所述业务服务对象样本之间的预测关联系数;
模型收敛单元,用于基于所述关联系数和所述预测关联系数之间的差异,对所述预设对象识别模型进行收敛,得到训练后的对象识别模型。
此外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例所提供的任一种对象识别方法中的步骤。
此外,本申请实施例还提供一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序实现本申请实施例提供的对象识别方法。
本申请实施例还提供一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行本申请实施例提供的对象识别方法中的步骤。
本申请实施例通过获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。以此,通过根据业务服务对象与业务接收对象在目标业务场景下的历史交易数据确定出业务服务对象之间的交易关联程度信息,并基于交易关联程度信息构建表征业务服务对象之间的交易关联关系的对象关联网络,从而在对象关联网络中识别出业务服务对象对应的关联对象,并根据业务服务对象及其关联对象确定出表征业务服务对象的目标对象特征,从而根据目标对象特征准确的将业务服务对象划分为多个对象集合,进而根据目标业务场景下的异常对象识别规则信息,在对象集合中识别出目标对象集合,提高了目标对象集合识别的准确性,进而提升了对象识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种对象识别方法实施场景示意图;
图2是本申请实施例提供的一种对象识别方法的流程示意图;
图3是本申请实施例提供的一种对象识别方法的另一流程示意图;
图4是本申请实施例提供的对象识别装置的结构示意图;
图5是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种对象识别方法、装置和计算机可读存储介质。其中,该对象识别装置可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。如本申请所公开的对象识别方法或装置,其中多个服务器可组成为一区块链,而服务器为区块链上的节点。
请参阅图1,以对象识别装置集成在计算机设备中为例,图1为本申请实施例所提供的对象识别方法的实施场景示意图,其中,该计算机设备可以为服务器,该计算机设备可以获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。
需要说明的是,本发明实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。图1所示的对象识别方法的实施环境场景示意图仅仅是一个示例,本申请实施例描述的对象识别方法的实施环境场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定。本领域普通技术人员可知,随着对象识别的演变和新业务场景的出现,本申请提供的技术方案对于类似的技术问题,同样适用。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明。需要说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从对象识别装置的角度进行描述,该对象识别装置具体可以集成在计算机设备中,该计算机设备可以是服务器,本申请在此不作限制。
请参阅图2,图2是本申请实施例提供的对象识别方法的流程示意图。该对象识别方法包括:
在步骤101中,获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息。
其中,该目标业务场景可以为任意的业务场景,例如,可以包括交易业务、支付业务等业务场景。该业务服务对象可以为提供业务服务的对象,例如,可以为提供产品的商户等。该业务接收对象可以为接收业务服务的对象,例如,可以为购买产品的用户等。该历史交易数据可以为包括业务服务对象在历史时间段内与业务接收对象之间的交易信息的数据,该历史时间段的具体时间范围可以根据实际业务情况进行设定,该交易信息可以包括业务服务对象与每一业务接收对象之间的交易次数与交易金额等信息,该交易关联程度信息可以为表征业务服务对象之间在交易行为上的关联程度的信息,该交易关联程度信息可以为分数、概率、权重等数值形式进行表示,本申请在此不做限定。
其中,基于历史交易数据确定出业务服务对象之间的交易关联程度信息的方式可以有多种,例如,可以在历史交易数据中提取出业务服务对象对应的业务接收对象交互数量,以及业务服务对象之间基于业务接收对象的交互关联数量,基于业务接收对象交互数量以及交互关联数量计算业务服务对象之间的交易关联程度信息。
其中,该业务接收对象交互数量可以为历史时间段内与业务服务对象存在交易交互行为的业务接收对象的数量,该交互关联数量可以为业务服务对象之间存在关联的业务接收对象的数量,例如,可以为业务服务对象之前存在相同的业务接收对象的数量。譬如,假设根据历史交易数据可以确定出业务服务对象a与业务接收对象1、业务接收对象2、业务接收对象4以及业务接收对象6存在交易业务的交互行为,同时确定出业务服务对象b与业务接收对象1、业务接收对象3以及业务接收对象5存在交易业务的交互行为,则可以统计出业务服务对象a对应的业务接收对象交互数量为4,业务服务对象b对应的业务接收对象交互数量为3,同时,由于业务服务对象a与b之间存在相同的业务接收对象1,则可以统计出业务服务对象a与b之间基于业务接收对象的交互关联数量为1。
其中,基于业务接收对象交互数量以及交互关联数量计算业务服务对象之间的交易关联程度信息的方式可以有多种,例如,可以将业务服务对象对应的业务接收对象交互数量进行累加处理,得到交互对象数量,从而可以计算业务服务对象之间的交互关联数量与交互对象数量的比值,得到业务服务对象之间的交易关联程度信息。可选的,交易关联程度信息的计算式可以表示为
其中,该aij可以表示为业务服务对象i与业务服务对象j之间的交易关联程度信息,Cij可以表示为业务服务对象i与j之间的交互关联数量,Ci可以表示为业务服务对象i对应的业务接收对象交互数量,Cj可以表示为业务服务对象j对应的业务接收对象交互数量。交易关联程度信息aij可以反映业务服务对象i和业务服务对象j之间的相似性,当二者存在的具有交易交互行为的业务接收对象完全相同时,aij=1,表明业务服务对象i和业务服务对象j之间的交易行为完全相关;当二者存在的具有交易交互行为的业务接收对象完全不同时,aij=0,表明业务服务对象i和业务服务对象j之间的交易行为完全没有交集。
在步骤102中,基于交易关联程度信息构建业务服务对象之间的对象关联网络。
其中,该对象关联网络可以为表征业务服务对象之间的交易关联关系的节点关系图,该节点关系图可以为基于图的数据结构,由节点和边组成,每个节点表示一个“实体”,每条边为实体与实体之间的“关系”,相应的,该对象关联网络中可以包括存在连接关系的多个节点,该节点可以与业务服务对象对应,该连接关系可以表征业务服务对象之间的交易关联关系。
其中,基于交易关联程度信息构建业务服务对象之间的对象关联网络的方式可以有多种,例如,可以获取目标业务场景对应的关联程度阈值,基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系,根据交易关联关系构建业务服务对象之间的对象关联网络。
其中,该关联程度阈值可以为一个预先设定的临界值,在业务服务对象之间的交易关联程度信息大于该临界值时,可以表明业务服务对象之间的交易业务上存在关联关系,在业务服务对象之间的交易关联程度信息不大于该临界值时,可以表明业务服务对象之间的交易业务上不存在关联关系,该关联程度阈值可以根据交易关联程度信息进行设定,具体大小可以根据实际业务需求进行设定。该交易关联关系可以为表征业务服务对象之间在交易业务上的关联关系的信息,可选的,该交易关联关系可以包括存在关联以及不存在关联等。
其中,基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系的方式可以有多种,例如,可以将关联程度阈值以及交易关联程度信息进行对比,从而可以根据对比结果将交易关联程度信息大于该关联程度阈值的业务服务对象确定为存在交易关联关系,将交易关联程度信息不大于该关联程度阈值的业务服务对象确定为不存在交易关联关系。例如,假设该关联程度阈值为fa,若aij>fa,则可以保留业务服务对象i与业务服务对象j的关联关系,即表明业务服务对象i与业务服务对象j之间存在交易业务上的关联关系,若aij≤fa,则可以去除业务服务对象i与业务服务对象j的关联关系,即表明业务服务对象i与业务服务对象j之间不存在交易业务上的关联关系。
在基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系之后,便可以根据交易关联关系构建业务服务对象之间的对象关联网络。其中,根据交易关联关系构建业务服务对象之间的对象关联网络的方式可以有多种,例如,可以以业务服务对象为节点,根据任意两个业务服务对象之间的交易关联关系建立业务服务对象对应的节点之间的边,例如,在两个业务服务对象之间的交易关联关系为不存在关联关系时,则这两个业务服务对象对应的节点之间不存在边,即不存在连接关系,在两个业务服务对象之间的交易关联关系为存在关联关系时,则可以将这两个业务服务对象对应的节点进行连接,以此,可以构建业务服务对象之间的对象关联网络。
在步骤103中,获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征。
其中,该交易属性信息可以为表征业务服务对象的交易属性的信息,该交易属性可以包括交易属性信息以及业务服务对象的业务服务标签信息,其中,该交易统计信息可以为表征业务服务对象的交易特性的信息,可以包括业务服务对象的交易行为中的支付场景比例、支付渠道比例以及业务接收对象的性别、年龄等信息,该业务服务标签信息可以包括业务服务对象的业务服务类别以及业务服务管控标签,该业务服务类别可以包括服装、饮食、健身等业务服务类别,该业务服务管控标签可以包括业务服务对象提供的业务服务不符合规定、业务服务对象涉嫌交易纠纷等异常行为类别。需要说明的是,该交易属性信息中具体包括的信息可以根据实际业务需求进行确定。该对象特征可以为表征业务服务对象的信息。
其中,可以理解的是,在本申请的具体实施方式中,涉及到用户信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
其中,在交易属性信息中提取出业务服务对象的对象特征的方式可以有多种,例如,可以在交易属性信息中提取出业务服务对象对应的交易统计信息以及业务服务标签信息,从而可以采用神经网络模型等特征提取模型对交易统计信息以及业务服务标签信息进行特征映射,从而可以得到表征业务服务对象的对象特征。
在步骤104中,在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征。
其中,该关联对象可以为在对象关联网络中确定的与当前的业务服务对象存在关联关系的业务服务对象,例如,可以为业务服务对象在对象关联网络中的邻居节点等。该目标对象特征可以为基于业务服务对象及其关联对象的交易属性来表征业务服务对象的信息。
其中,在对象关联网络中识别出业务服务对象对应的关联对象的方式可以有多种,例如,可以在对象关联网络中识别出业务服务对象之间的连接关系,根据该连接关系可以在业务服务对象中筛选出业务服务对象的关联对象。
在对象关联网络中识别出业务服务对象对应的关联对象之后,便可以将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征。其中,将业务服务对象和关联对象对应的对象特征进行特征融合的方式可以有多种,例如,可以采用对象识别模型将关联对象对应的对象特征进行特征融合,得到业务服务对象对应的关联对象特征,对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理,得到业务服务对象的目标对象特征。
其中,该对象识别模型可以为用于在业务服务对象中识别出目标对象集合的模型,可以采用该对象识别模型提取出业务服务对象的对象特征,并将业务服务对象及其关联对象的对象特征进行特征融合得到目标对象特征,从而可以在后续过程中基于目标对象特征识别出目标对象集合。该目标对象集合可以为未出现异常行为的对象集合,也可以为以组织形式存在异常行为的对象集合,具体可以根据实际业务需求进行设定,该异常行为可以指一些违法的、损害他方权益的行为,该对象集合可以为至少一个业务服务对象构成的整体。该关联对象特征可以为表征业务服务对象对应的关联对象的信息。
其中,采用对象识别模型将关联对象对应的对象特征进行特征融合,得到业务服务对象对应的关联对象特征的方式可以有多种,例如,可以采用对象识别模型,将业务服务对象对应的至少一个关联对象的对象特征进行求和处理,并将求和处理结果进行平均处理,从而可以得到业务服务对象对应的关联对象特征。
在采用对象识别模型将关联对象对应的对象特征进行特征融合之后,便可以对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理,得到业务服务对象的目标对象特征。其中,对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理的方式可以有多种,例如,可以将业务服务对象对应的对象特征以及关联对象特征进行拼接,得到拼接后对象特征,然后,可以拼接后对象特征进行降维处理,得到目标对象特征,以使得拼接后的目标对象特征与对象特征的维度相同,例如,假设对象特征的维度为n,则拼接后对象特征的维度为2n,从而可以采用线性映射矩阵,将维度为2n的拼接后对象特征映射为n维的特征,即目标对象特征。
在一实施例中,可以采用无监督学习方法来训练得到对象识别模型。可选的,可以获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,基于对象关联网络样本,采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的目标对象特征样本,根据对象关联网络样本中节点的连接关系,确定业务服务对象样本之间的关联系数,并根据目标对象特征样本计算业务服务对象样本之间的预测关联系数,基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,得到训练后的对象识别模型。
其中,该业务服务对象样本可以为作为训练样本的业务服务对象,该交易属性信息样本可以为业务服务对象样本对应的交易属性信息,该对象关联网络样本可以为基于业务服务对象样本构建的对象关联网络,该对象关联网络样本中可以包括存在连接关系的多个节点样本,该节点样本可以与业务服务对象样本对应,该预设对象识别模型可以为预先设定参数的模型,可以为一种神经网络模型,可以通过模型训练来得到训练好的具有较好性能的对象识别模型。该目标对象特征样本可以为业务服务对象样本对应的目标对象特征,可以为基于对象关联网络样本中的拓扑关系以及业务服务对象样本的交易属性表征业务服务对象样本的信息,该关联系数可以为表征业务服务对象样本在对象关联网络样本中的连接关系的信息,例如,当业务服务对象样本e和业务服务对象样本f在对象关联网络样本中为连接的两个节点时,表明业务服务对象样本e和业务服务对象样本f之间的关联系数为1,当业务服务对象样本e和业务服务对象样本f在对象关联网络样本中为未连接的两个节点时,表明业务服务对象样本e和业务服务对象样本f之间的关联系数为0等。该预测关联系数可以为根据目标对象特征样本计算得到的、表征业务服务对象样本之间的关联关系的信息。
其中,基于对象关联网络样本,采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的目标对象特征样本的方式可以有多种,例如,可以采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的对象特征样本,然后,可以根据对象关联网络样本中的连接关系,在业务服务对象样本中筛选出每一业务服务对象样本对应的关联对象样本,从而可以将关联对象样本对应的对象特征样本与业务服务对象样本对应的对象特征样本进行特征融合处理,得到业务服务对象样本的目标对象特征样本。
可选的,假设该预设对象识别模型可以为图卷积神经网络模型,并以该关联对象样本为业务服务对象样本对应的节点的邻居节点为例,同时,可以假设业务服务对象样本i的对象特征样本为维度为n,通过对象识别模型中一层图卷积神经网络的更新,可以得到更新后的对象特征/>其中,每一层图卷积神经网络的更新方式可以表示为
其中,表示业务服务对象样本i在l+1层的图卷积神经网络的特征提取结果,l可以表示所在预设对象识别模型中的层数序号,l+1表示下一层的序号。其中N(i)可以表示为业务服务对象样本i节点的所有邻居节点,/>可以表示业务服务对象样本i节点的所有邻居节点的集合,/>可以表示对i节点的所有邻居节点的第l层的特征取均值,/>可以表示将取均值的结果与业务服务对象样本i节点在l层中提取出的特征进行特征拼接处理拼接,得到一个维度为2n的拼接后对象特征样本,该Wl可以是一个线性映射矩阵,可以将维度为2n的特征映射为n维的特征。上述计算过程表示了一层卷积的计算过程,在实际应用中,对象识别模型中会叠加多层图卷积神经网络,在经过多层图卷积神经网络的迭代卷积后,可以得到业务服务对象样本i节点的最终特征表示,即业务服务对象样本i对应的目标对象特征样本,可以表示为/>
其中,根据目标对象特征样本计算业务服务对象样本之间的预测关联系数的方式可以有多种,例如,可以基于目标对象特征样本计算业务服务对象样本之间的相似度,从而可以将该相似度确定为业务服务对象样本之间的预测关联系数。还可以采用激活函数来基于目标对象特征样本计算业务服务对象样本之间的预测关联系数,计算过程可以表示为
其中,可以表示为业务服务对象样本i与业务服务对象样本j之间的预测关联系数,Sigmod()可以表示为一种激活函数,/>表示业务服务对象j在预设对象识别模型中l+1层提取出的特征,/>表示业务服务对象i在预设对象识别模型中l+1层提取出的特征。
在根据目标对象特征样本计算业务服务对象样本之间的预测关联系数之后,便可以基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,得到训练后的对象识别模型。其中,基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛的方式可以有多种,例如,可以采用损失函数来基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,可选的,该损失函数(loss)可以为交叉熵损失函数,该交叉熵损失函数可以表示为
其中,CE()可以表示为交叉熵损失函数,Aij可以表示业务服务对象样本i与业务服务对象样本j之间的关联系数,矩阵A可以为对象关联网络样本的邻接矩阵,若业务服务对象样本i和j之间存在连接关系,则Aij=1,若业务服务对象样本i和j之间不存在连接关系,则Aij=0。以此,通过损失函数对预设对象识别模型进行训练,得到训练后的对象识别模型,从而可以基于对象关联网络的拓扑关系,通过对象识别模型对业务服务对象的交易属性信息进行特征提取,得到业务服务对象的目标对象特征。
在步骤105中,基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合。
其中,该对象集合可以包括同一类别的至少一个业务服务对象。
其中,基于目标对象特征对业务服务对象进行聚类处理的方式可以有多种,例如,可以基于目标对象特征,采用聚类算法(例如Kmeans算法)对业务服务对象进行聚类处理。比如,可以在业务服务对象中随机选取k个业务服务对象作为k个质心,然后,可以基于目标对象特征计算每个业务服务对象到该质心的距离,例如,可以计算每个业务服务对象对应的目标对象特征与该质心对应的目标对象特征的余弦距离,从而得到业务服务对象到该质心的距离等。以此,可以将距离质心距离较近的业务服务对象划分为一类,即属于同一个对象集合,从而可以将业务服务对象划分为k个类别的对象集合。接着,可以将距离每一对象集合的均值最近的业务服务对象作为新的质心,再基于新的质心重新对业务服务对象进行聚类处理,不断重复直到对象集合不再更新,从而可以得到最终的对象集合。可选的,聚类的对象集合的数量可以根据实际业务需要进行调整。
在步骤106中,根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。
其中,该异常对象识别规则信息可以为识别业务服务对象是否为异常对象的规则信息,该规则信息可以根据实际业务进行设定,该异常对象可以为存在异常行为的业务服务对象,该目标对象集合可以为未出现异常行为的对象集合,也可以为存在异常行为的对象集合,即以组织形式存在异常行为的对象集合,具体可以根据实际业务需求进行设定,本申请实施例在此不做限定。
其中,根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合的方式可以有多种,例如,可以根据目标业务场景对应的异常对象识别规则信息,在业务对象中识别出异常对象,基于对象集合中存在异常对象的数量信息,确定出对象集合的异常程度信息,基于异常程度信息在对象集合中识别出目标对象集合。
其中,该数量信息可以为描述对象集合中存在异常对象的数量的信息,该异常程度信息可以为表征对象集合的异常程度的信息,该异常程度可以表征对象集合为以组织形式存在异常行为的可能程度。
其中,基于对象集合中存在异常对象的数量信息,确定出对象集合的异常程度信息的方式可以有多种,例如,可以统计对象集合中业务对象以及异常对象的数量,得到对象集合的业务对象数量以及异常对象数量,基于业务对象数量以及异常对象数量之间的数量关系,计算出对象集合的异常程度信息。
其中,该业务对象数量可以为对象集合中存在的业务服务对象的数量,该异常对象数量对象集合中存在的异常对象的数量。
其中,基于业务对象数量以及异常对象数量之间的数量关系,计算出对象集合的异常程度信息的方式可以有多种,例如,可以计算每一对象集合对应的业务对象数量以及异常对象数量的比值,得到可以表征对象集合的异常程度的异常程度信息。
在基于对象集合中存在异常对象的数量信息,确定出对象集合的异常程度信息之后,便可以基于异常程度信息在对象集合中识别出目标对象集合。其中,基于异常程度信息在对象集合中识别出目标对象集合的方式可以有多种,例如,可以根据每一对象集合的异常程度信息对对象集合进行排序,当该目标对象集合为存在异常行为的对象集合时,可以根据排序结果将异常程度较大的对象集合确定为目标对象集合,也可以设定一个异常程度阈值,从而可以将异常程度信息大于该异常程度阈值的对象集合确定为目标对象集合。当该目标对象集合为未存在异常行为的对象集合时,可以将异常程度信息不大于该异常程度阈值的对象集合确定为目标对象集合,也可以设定一个非异常程度阈值,该非异常程度阈值可以为小于或者等于该异常程度阈值的临界值,并将对象集合对应的异常程度信息与该非异常程度阈值进行对比,从而可以将异常程度信息小于该异常程度阈值的对象集合确定为目标对象集合。
以此,本申请实施例提供的对象识别方法,以业务接收对象作为纽带,通过业务服务对象与业务接收对象之间最基本的历史交易数据,挖掘出业务服务对象之间隐含的基于交易行为的关联关系,然后,根据业务服务对象之间的关联关系以及业务服务对象自身的对象特征对业务服务对象进行聚类处理,从而在聚类得到的对象集合中识别出目标对象集合,以此提高了目标对象集合识别的准确性。
由以上可知,本申请实施例通过获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。以此,通过根据业务服务对象与业务接收对象在目标业务场景下的历史交易数据确定出业务服务对象之间的交易关联程度信息,并基于交易关联程度信息构建表征业务服务对象之间的交易关联关系的对象关联网络,从而在对象关联网络中识别出业务服务对象对应的关联对象,并根据业务服务对象及其关联对象确定出表征业务服务对象的目标对象特征,从而根据目标对象特征准确的将业务服务对象划分为多个对象集合,进而根据目标业务场景下的异常对象识别规则信息,在对象集合中识别出目标对象集合,提高了目标对象集合识别的准确性,进而提升了对象识别效率。
根据上面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该对象识别装置具体集成在计算机设备为例进行说明。其中,该对象识别方法以服务器为执行主体,以该目标业务场景为交易业务场景为例进行具体的描述。其中,可以理解的是,在本申请的具体实施方式中,涉及到用户信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
为了更好的描述本申请实施例,请参阅图3,图3为本申请实施例提供的对象识别方法的另一流程示意图。具体流程如下:
在步骤201中,服务器获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,基于对象关联网络样本,采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的目标对象特征样本。
其中,服务器基于对象关联网络样本,采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的目标对象特征样本的方式可以有多种,例如,服务器可以采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的对象特征样本,然后,可以根据对象关联网络样本中的连接关系,在业务服务对象样本中筛选出每一业务服务对象样本对应的关联对象样本,从而可以将关联对象样本对应的对象特征样本与业务服务对象样本对应的对象特征样本进行特征融合处理,得到业务服务对象样本的目标对象特征样本。
可选的,假设该预设对象识别模型可以为图卷积神经网络模型,并以该关联对象样本为业务服务对象样本对应的节点的邻居节点为例,同时,可以假设业务服务对象样本i的对象特征样本为维度为n,通过对象识别模型中一层图卷积神经网络的更新,可以得到更新后的对象特征/>其中,每一层图卷积神经网络的更新方式可以表示为
其中,表示业务服务对象样本i在l+1层的图卷积神经网络的特征提取结果,l可以表示所在预设对象识别模型中的层数序号,l+1表示下一层的序号。其中N(i)可以表示为业务服务对象样本i节点的所有邻居节点,/>可以表示业务服务对象样本i节点的所有邻居节点的集合,/>可以表示对i节点的所有邻居节点的第l层的特征取均值,/>可以表示将取均值的结果与业务服务对象样本i节点在l层中提取出的特征进行特征拼接处理拼接,得到一个维度为2n的拼接后对象特征样本,该W1可以是一个线性映射矩阵,可以将维度为2n的特征映射为n维的特征。上述计算过程表示了一层卷积的计算过程,在实际应用中,对象识别模型中会叠加多层图卷积神经网络,在经过多层图卷积神经网络的迭代卷积后,可以得到业务服务对象样本i节点的最终特征表示,即业务服务对象样本i对应的目标对象特征样本,可以表示为/>
在步骤202中,服务器根据对象关联网络样本中节点的连接关系,确定业务服务对象样本之间的关联系数,并根据目标对象特征样本计算业务服务对象样本之间的预测关联系数,基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,得到训练后的对象识别模型。
其中,服务器根据目标对象特征样本计算业务服务对象样本之间的预测关联系数的方式可以有多种,例如,服务器可以基于目标对象特征样本计算业务服务对象样本之间的相似度,从而可以将该相似度确定为业务服务对象样本之间的预测关联系数。还可以采用激活函数来基于目标对象特征样本计算业务服务对象样本之间的预测关联系数,计算过程可以表示为
其中,可以表示为业务服务对象样本i与业务服务对象样本j之间的预测关联系数,Sigmod()可以表示为一种激活函数,/>表示业务服务对象j在预设对象识别模型中l+1层提取出的特征,/>表示业务服务对象i在预设对象识别模型中l+1层提取出的特征。
服务器在根据目标对象特征样本计算业务服务对象样本之间的预测关联系数之后,便可以基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,得到训练后的对象识别模型。其中,服务器基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛的方式可以有多种,例如,可以采用损失函数来基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,可选的,该损失函数(loss)可以为交叉熵损失函数,该交叉熵损失函数可以表示为
其中,CE()可以表示为交叉熵损失函数,Aij可以表示业务服务对象样本i与业务服务对象样本j之间的关联系数,矩阵A可以为对象关联网络样本的邻接矩阵,若业务服务对象样本i和j之间存在连接关系,则Aij=1,若业务服务对象样本i和j之间不存在连接关系,则Aij=0。以此,通过损失函数对预设对象识别模型进行训练,得到训练后的对象识别模型,从而可以基于对象关联网络的拓扑关系,通过对象识别模型对业务服务对象的交易属性信息进行特征提取,得到业务服务对象的目标对象特征。
在步骤203中,服务器获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,在历史交易数据中提取出业务服务对象对应的业务接收对象交互数量,以及业务服务对象之间基于业务接收对象的交互关联数量,基于业务接收对象交互数量以及交互关联数量计算业务服务对象之间的交易关联程度信息。
其中,服务器基于业务接收对象交互数量以及交互关联数量计算业务服务对象之间的交易关联程度信息的方式可以有多种,例如,服务器可以将业务服务对象对应的业务接收对象交互数量进行累加处理,得到交互对象数量,从而可以计算业务服务对象之间的交互关联数量与交互对象数量的比值,得到业务服务对象之间的交易关联程度信息。可选的,交易关联程度信息的计算式可以表示为
其中,该aij可以表示为业务服务对象i与业务服务对象j之间的交易关联程度信息,Cij可以表示为业务服务对象i与j之间的交互关联数量,Ci可以表示为业务服务对象i对应的业务接收对象交互数量,Cj可以表示为业务服务对象j对应的业务接收对象交互数量。交易关联程度信息aij可以反映业务服务对象i和业务服务对象j之间的相似性,当二者存在的具有交易交互行为的业务接收对象完全相同时,aij=1,表明业务服务对象i和业务服务对象j之间的交易行为完全相关;当二者存在的具有交易交互行为的业务接收对象完全不同时,aij=0,表明业务服务对象i和业务服务对象j之间的交易行为完全没有交集。
在步骤204中,服务器获取目标业务场景对应的关联程度阈值,基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系,根据交易关联关系构建业务服务对象之间的对象关联网络。
其中,服务器基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系的方式可以有多种,例如,服务器可以将关联程度阈值以及交易关联程度信息进行对比,从而可以根据对比结果将交易关联程度信息大于该关联程度阈值的业务服务对象确定为存在交易关联关系,将交易关联程度信息不大于该关联程度阈值的业务服务对象确定为不存在交易关联关系。例如,假设该关联程度阈值为fa,若aij>fa,则可以保留业务服务对象i与业务服务对象j的关联关系,即表明业务服务对象i与业务服务对象j之间存在交易业务上的关联关系,若aij≤fa,则可以去除业务服务对象i与业务服务对象j的关联关系,即表明业务服务对象i与业务服务对象j之间不存在交易业务上的关联关系。
服务器在基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系之后,便可以根据交易关联关系构建业务服务对象之间的对象关联网络。其中,服务器根据交易关联关系构建业务服务对象之间的对象关联网络的方式可以有多种,例如,服务器可以以业务服务对象为节点,根据任意两个业务服务对象之间的交易关联关系建立业务服务对象对应的节点之间的边,例如,在两个业务服务对象之间的交易关联关系为不存在关联关系时,则这两个业务服务对象对应的节点之间不存在边,即不存在连接关系,在两个业务服务对象之间的交易关联关系为存在关联关系时,则可以将这两个业务服务对象对应的节点进行连接,以此,服务器可以构建业务服务对象之间的对象关联网络。
在步骤205中,服务器获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征,在对象关联网络中识别出业务服务对象对应的关联对象,采用对象识别模型将关联对象对应的对象特征进行特征融合,得到业务服务对象对应的关联对象特征。
其中,服务器在交易属性信息中提取出业务服务对象的对象特征的方式可以有多种,例如,服务器可以在交易属性信息中提取出业务服务对象对应的交易统计信息以及业务服务标签信息,从而可以采用神经网络模型等特征提取模型对交易统计信息以及业务服务标签信息进行特征映射,从而可以得到表征业务服务对象的对象特征。
其中,服务器在对象关联网络中识别出业务服务对象对应的关联对象的方式可以有多种,例如,服务器可以在对象关联网络中识别出业务服务对象之间的连接关系,根据该连接关系可以在业务服务对象中筛选出业务服务对象的关联对象。
其中,服务器采用对象识别模型将关联对象对应的对象特征进行特征融合,得到业务服务对象对应的关联对象特征的方式可以有多种,例如,服务器可以采用对象识别模型,将业务服务对象对应的至少一个关联对象的对象特征进行求和处理,并将求和处理结果进行平均处理,从而可以得到业务服务对象对应的关联对象特征。
在步骤206中,服务器对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理,得到业务服务对象的目标对象特征,基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合。
其中,服务器对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理的方式可以有多种,例如,服务器可以将业务服务对象对应的对象特征以及关联对象特征进行拼接,得到拼接后对象特征,然后,可以拼接后对象特征进行降维处理,得到目标对象特征,以使得拼接后的目标对象特征与对象特征的维度相同,例如,假设对象特征的维度为n,则拼接后对象特征的维度为2n,从而服务器可以采用线性映射矩阵,将维度为2n的拼接后对象特征映射为n维的特征,即目标对象特征。
其中,服务器基于目标对象特征对业务服务对象进行聚类处理的方式可以有多种,例如,服务器可以基于目标对象特征,采用聚类算法(例如Kmeans算法)对业务服务对象进行聚类处理。比如,服务器可以在业务服务对象中随机选取k个业务服务对象作为k个质心,然后,可以基于目标对象特征计算每个业务服务对象到该质心的距离,例如,可以计算每个业务服务对象对应的目标对象特征与该质心对应的目标对象特征的余弦距离,从而得到业务服务对象到该质心的距离等。以此,可以将距离质心距离较近的业务服务对象划分为一类,即属于同一个对象集合,从而可以将业务服务对象划分为k个类别的对象集合。接着,可以将距离每一对象集合的均值最近的业务服务对象作为新的质心,再基于新的质心重新对业务服务对象进行聚类处理,不断重复直到对象集合不再更新,从而可以得到最终的对象集合。可选的,聚类的对象集合的数量可以根据实际业务需要进行调整。
在步骤207中,服务器根据目标业务场景对应的异常对象识别规则信息,在业务对象中识别出异常对象,统计对象集合中业务对象以及异常对象的数量,得到对象集合的业务对象数量以及异常对象数量。
其中,该异常对象识别规则信息可以为识别业务服务对象是否为异常对象的规则信息,该规则信息可以根据实际业务进行设定,该异常对象可以为存在异常行为的业务服务对象,该业务对象数量可以为对象集合中存在的业务服务对象的数量,该异常对象数量对象集合中存在的异常对象的数量。
在步骤208中,服务器基于业务对象数量以及异常对象数量之间的数量关系,计算出对象集合的异常程度信息,基于异常程度信息在对象集合中识别出目标对象集合。
其中,服务器基于业务对象数量以及异常对象数量之间的数量关系,计算出对象集合的异常程度信息的方式可以有多种,例如,服务器可以计算每一对象集合对应的业务对象数量以及异常对象数量的比值,得到可以表征对象集合的异常程度的异常程度信息。
服务器在基于对象集合中存在异常对象的数量信息,确定出对象集合的异常程度信息之后,便可以基于异常程度信息在对象集合中识别出目标对象集合。其中,服务器基于异常程度信息在对象集合中识别出目标对象集合的方式可以有多种,例如,服务器可以根据每一对象集合的异常程度信息对对象集合进行排序,当该目标对象集合为存在异常行为的对象集合时,可以根据排序结果将异常程度较大的对象集合确定为目标对象集合,也可以设定一个异常程度阈值,从而可以将异常程度信息大于该异常程度阈值的对象集合确定为目标对象集合。当该目标对象集合为未存在异常行为的对象集合时,服务器可以将异常程度信息不大于该异常程度阈值的对象集合确定为目标对象集合,也可以设定一个非异常程度阈值,该非异常程度阈值可以为小于或者等于该异常程度阈值的临界值,并将对象集合对应的异常程度信息与该非异常程度阈值进行对比,从而可以将异常程度信息小于该异常程度阈值的对象集合确定为目标对象集合。
以此,服务器基于本申请实施例提供的对象识别方法,可以以业务接收对象作为纽带,通过业务服务对象与业务接收对象之间最基本的历史交易数据,挖掘出业务服务对象之间隐含的基于交易行为的关联关系,然后,根据业务服务对象之间的关联关系以及业务服务对象自身的对象特征对业务服务对象进行聚类处理,从而在聚类得到的对象集合中识别出目标对象集合,以此提高了目标对象集合识别的准确性。
由以上可知,本申请实施例通过服务器获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,基于对象关联网络样本,采用预设对象识别模型对交易属性信息样本进行特征提取,得到业务服务对象样本的目标对象特征样本;服务器根据对象关联网络样本中节点的连接关系,确定业务服务对象样本之间的关联系数,并根据目标对象特征样本计算业务服务对象样本之间的预测关联系数,基于关联系数和预测关联系数之间的差异,对预设对象识别模型进行收敛,得到训练后的对象识别模型;服务器获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,在历史交易数据中提取出业务服务对象对应的业务接收对象交互数量,以及业务服务对象之间基于业务接收对象的交互关联数量,基于业务接收对象交互数量以及交互关联数量计算业务服务对象之间的交易关联程度信息;服务器获取目标业务场景对应的关联程度阈值,基于关联程度阈值以及交易关联程度信息,识别出业务服务对象之间的交易关联关系,根据交易关联关系构建业务服务对象之间的对象关联网络;服务器获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征,在对象关联网络中识别出业务服务对象对应的关联对象,采用对象识别模型将关联对象对应的对象特征进行特征融合,得到业务服务对象对应的关联对象特征;服务器对业务服务对象对应的对象特征以及关联对象特征进行特征拼接处理,得到业务服务对象的目标对象特征,基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合;服务器根据目标业务场景对应的异常对象识别规则信息,在业务对象中识别出异常对象,统计对象集合中业务对象以及异常对象的数量,得到对象集合的业务对象数量以及异常对象数量;服务器基于业务对象数量以及异常对象数量之间的数量关系,计算出对象集合的异常程度信息,基于异常程度信息在对象集合中识别出目标对象集合。以此,通过训练好的对象识别模型,根据业务服务对象与业务接收对象在目标业务场景下的历史交易数据确定出业务服务对象之间的交易关联程度信息,并基于交易关联程度信息构建表征业务服务对象之间的交易关联关系的对象关联网络,从而在对象关联网络中识别出业务服务对象对应的关联对象,并根据业务服务对象及其关联对象确定出表征业务服务对象的目标对象特征,从而根据目标对象特征准确的将业务服务对象划分为多个对象集合,进而根据目标业务场景下的异常对象识别规则信息,在业务服务对象中识别出异常对象,从而基于异常对象在对象集合中的数量信息,确定出每一对象集合的异常程度信息,从而可以基于异常程序信息在对象集合中识别出目标对象集合,提高了目标对象集合识别的准确性,进而提升了对象识别效率。
为了更好地实施以上方法,本发明实施例还提供一种对象识别装置,该对象识别装置可以集成在计算机设备中,该计算机设备可以为服务器。
例如,如图4所示,为本申请实施例提供的对象识别装置的结构示意图,该对象识别装置可以包括获取单元301、构建单元302、提取单元303、融合单元304、聚类单元305和识别单元306,如下:
获取单元301,用于获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;
构建单元302,用于基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;
提取单元303,用于获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;
融合单元304,用于在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;
聚类单元305,用于基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;
识别单元306,用于根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。
在一实施例中,该识别单元306,包括:
对象识别子单元,用于根据该目标业务场景对应的异常对象识别规则信息,在该业务对象中识别出异常对象;
异常程度信息确定子单元,用于基于该对象集合中存在该异常对象的数量信息,确定出该对象集合的异常程度信息;
目标对象集合识别子单元,用于基于该异常程度信息在该对象集合中识别出目标对象集合。
在一实施例中,该异常程度信息确定子单元,包括:
对象数量统计模块,用于统计该对象集合中业务对象以及异常对象的数量,得到该对象集合的业务对象数量以及异常对象数量;
异常程度信息计算模块,用于基于该业务对象数量以及该异常对象数量之间的数量关系,计算出该对象集合的异常程度信息。
在一实施例中,该获取单元301,包括:
提取子单元,用于在该历史交易数据中提取出该业务服务对象对应的业务接收对象交互数量,以及该业务服务对象之间基于该业务接收对象的交互关联数量;
计算子单元,用于基于该业务接收对象交互数量以及该交互关联数量计算该业务服务对象之间的交易关联程度信息。
在一实施例中,该构建单元302,包括:
关联程度阈值获取子单元,用于获取该目标业务场景对应的关联程度阈值;
交易关联关系识别子单元,用于基于该关联程度阈值以及该交易关联程度信息,识别出该业务服务对象之间的交易关联关系;
对象关联网络构建子单元,用于根据该交易关联关系构建该业务服务对象之间的对象关联网络。
在一实施例中,该融合单元304,包括:
特征融合子单元,用于采用对象识别模型将该关联对象对应的对象特征进行特征融合,得到该业务服务对象对应的关联对象特征;
特征拼接子单元,用于对该业务服务对象对应的对象特征以及该关联对象特征进行特征拼接处理,得到该业务服务对象的目标对象特征。
在一实施例中,该对象识别装置,还包括:
样本获取单元,用于获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,该对象关联网络样本中包括存在连接关系的多个节点样本,该节点样本与该业务服务对象样本对应;
对象特征提取单元,用于基于该对象关联网络样本,采用预设对象识别模型对该交易属性信息样本进行特征提取,得到该业务服务对象样本的目标对象特征样本;
关联关系确定单元,用于根据该对象关联网络样本中节点的连接关系,确定该业务服务对象样本之间的关联系数,并根据该目标对象特征样本计算该业务服务对象样本之间的预测关联系数;
模型收敛单元,用于基于该关联系数和该预测关联系数之间的差异,对该预设对象识别模型进行收敛,得到训练后的对象识别模型。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由以上可知,本申请实施例通过获取单元301获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;构建单元302基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;提取单元303获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;融合单元304在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;聚类单元305基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;识别单元306根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。以此,通过根据业务服务对象与业务接收对象在目标业务场景下的历史交易数据确定出业务服务对象之间的交易关联程度信息,并基于交易关联程度信息构建表征业务服务对象之间的交易关联关系的对象关联网络,从而在对象关联网络中识别出业务服务对象对应的关联对象,并根据业务服务对象及其关联对象确定出表征业务服务对象的目标对象特征,从而根据目标对象特征准确的将业务服务对象划分为多个对象集合,进而根据目标业务场景下的异常对象识别规则信息,在对象集合中识别出目标对象集合,提高了目标对象集合识别的准确性,进而提升了对象识别效率。
本申请实施例还提供一种计算机设备,如图5所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,该计算机设备可以是服务器,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图5中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的计算机程序,从而实现各种功能,如下:
获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。应当说明的是,本申请实施例提供的计算机设备与上文实施例中的适用于对象识别方法属于同一构思,其具体实现过程详见以上方法实施例,此处不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种对象识别方法中的步骤。例如,该指令可以执行如下步骤:
获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于历史交易数据确定出业务服务对象之间的交易关联程度信息;基于交易关联程度信息构建业务服务对象之间的对象关联网络,对象关联网络中包括存在连接关系的多个节点,节点与业务服务对象对应,连接关系表征业务服务对象之间的交易关联关系;获取业务服务对象的交易属性信息,并在交易属性信息中提取出业务服务对象的对象特征;在对象关联网络中识别出业务服务对象对应的关联对象,并将业务服务对象和关联对象对应的对象特征进行特征融合,得到业务服务对象的目标对象特征;基于目标对象特征对业务服务对象进行聚类处理,得到至少一个类别的对象集合,对象集合包括同一类别的至少一个业务服务对象;根据目标业务场景对应的异常对象识别规则信息,在对象集合中识别出目标对象集合。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请实施例所提供的任一种对象识别方法中的步骤,因此,可以实现本申请实施例所提供的任一种对象识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
其中,根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种对象识别方法、装置和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种对象识别方法,其特征在于,包括:
获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于所述历史交易数据确定出所述业务服务对象之间的交易关联程度信息;
基于所述交易关联程度信息构建所述业务服务对象之间的对象关联网络,所述对象关联网络中包括存在连接关系的多个节点,所述节点与所述业务服务对象对应,所述连接关系表征所述业务服务对象之间的交易关联关系;
获取所述业务服务对象的交易属性信息,并在所述交易属性信息中提取出所述业务服务对象的对象特征;
在所述对象关联网络中识别出所述业务服务对象对应的关联对象,并将所述业务服务对象和所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象的目标对象特征;
基于所述目标对象特征对所述业务服务对象进行聚类处理,得到至少一个类别的对象集合,所述对象集合包括同一类别的至少一个业务服务对象;
根据所述目标业务场景对应的异常对象识别规则信息,在所述对象集合中识别出目标对象集合。
2.如权利要求1所述的对象识别方法,其特征在于,所述根据所述目标业务场景对应的异常对象识别规则信息,在所述对象集合中识别出目标对象集合,包括:
根据所述目标业务场景对应的异常对象识别规则信息,在所述业务对象中识别出异常对象;
基于所述对象集合中存在所述异常对象的数量信息,确定出所述对象集合的异常程度信息;
基于所述异常程度信息在所述对象集合中识别出目标对象集合。
3.如权利要求2所述的对象识别方法,其特征在于,所述基于所述对象集合中存在所述异常对象的数量信息,确定出所述对象集合的异常程度信息,包括:
统计所述对象集合中业务对象以及异常对象的数量,得到所述对象集合的业务对象数量以及异常对象数量;
基于所述业务对象数量以及所述异常对象数量之间的数量关系,计算出所述对象集合的异常程度信息。
4.如权利要求1所述的对象识别方法,其特征在于,所述基于所述历史交易数据确定出所述业务服务对象之间的交易关联程度信息,包括:
在所述历史交易数据中提取出所述业务服务对象对应的业务接收对象交互数量,以及所述业务服务对象之间基于所述业务接收对象的交互关联数量;
基于所述业务接收对象交互数量以及所述交互关联数量计算所述业务服务对象之间的交易关联程度信息。
5.如权利要求1所述的对象识别方法,其特征在于,所述基于所述交易关联程度信息构建所述业务服务对象之间的对象关联网络,包括:
获取所述目标业务场景对应的关联程度阈值;
基于所述关联程度阈值以及所述交易关联程度信息,识别出所述业务服务对象之间的交易关联关系;
根据所述交易关联关系构建所述业务服务对象之间的对象关联网络。
6.如权利要求1至5中任一项所述的对象识别方法,其特征在于,所述将所述业务服务对象和所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象的目标对象特征,包括:
采用对象识别模型将所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象对应的关联对象特征;
对所述业务服务对象对应的对象特征以及所述关联对象特征进行特征拼接处理,得到所述业务服务对象的目标对象特征。
7.如权利要求6所述的对象识别方法,其特征在于,所述采用对象识别模型将所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象对应的关联对象特征之前,还包括:
获取业务服务对象样本对应的对象关联网络样本以及交易属性信息样本,所述对象关联网络样本中包括存在连接关系的多个节点样本,所述节点样本与所述业务服务对象样本对应;
基于所述对象关联网络样本,采用预设对象识别模型对所述交易属性信息样本进行特征提取,得到所述业务服务对象样本的目标对象特征样本;
根据所述对象关联网络样本中节点的连接关系,确定所述业务服务对象样本之间的关联系数,并根据所述目标对象特征样本计算所述业务服务对象样本之间的预测关联系数;
基于所述关联系数和所述预测关联系数之间的差异,对所述预设对象识别模型进行收敛,得到训练后的对象识别模型。
8.一种对象识别装置,其特征在于,包括:
获取单元,用于获取目标业务场景下业务服务对象与业务接收对象之间的历史交易数据,并基于所述历史交易数据确定出所述业务服务对象之间的交易关联程度信息;
构建单元,用于基于所述交易关联程度信息构建所述业务服务对象之间的对象关联网络,所述对象关联网络中包括存在连接关系的多个节点,所述节点与所述业务服务对象对应,所述连接关系表征所述业务服务对象之间的交易关联关系;
提取单元,用于获取所述业务服务对象的交易属性信息,并在所述交易属性信息中提取出所述业务服务对象的对象特征;
融合单元,用于在所述对象关联网络中识别出所述业务服务对象对应的关联对象,并将所述业务服务对象和所述关联对象对应的对象特征进行特征融合,得到所述业务服务对象的目标对象特征;
聚类单元,用于基于所述目标对象特征对所述业务服务对象进行聚类处理,得到至少一个类别的对象集合,所述对象集合包括同一类别的至少一个业务服务对象;
识别单元,用于根据所述目标业务场景对应的异常对象识别规则信息,在所述对象集合中识别出目标对象集合。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的对象识别方法中的步骤。
10.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的对象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123597.8A CN116976901A (zh) | 2023-02-02 | 2023-02-02 | 对象识别方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123597.8A CN116976901A (zh) | 2023-02-02 | 2023-02-02 | 对象识别方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976901A true CN116976901A (zh) | 2023-10-31 |
Family
ID=88473743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123597.8A Pending CN116976901A (zh) | 2023-02-02 | 2023-02-02 | 对象识别方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976901A (zh) |
-
2023
- 2023-02-02 CN CN202310123597.8A patent/CN116976901A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN110909165A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN103870528A (zh) | 深度问题回答系统中的问题分类和特征映射的方法和系统 | |
CN111783903A (zh) | 文本处理方法、文本模型的处理方法及装置、计算机设备 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN114219971A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN114329004A (zh) | 数字指纹生成、数据推送方法、装置和存储介质 | |
CN112052399B (zh) | 一种数据处理方法、装置和计算机可读存储介质 | |
CN117195046A (zh) | 异常文本识别方法及相关设备 | |
CN116955788A (zh) | 一种内容处理的方法、装置、设备、存储介质及程序产品 | |
CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
CN114268625B (zh) | 特征选择方法、装置、设备及存储介质 | |
CN116976901A (zh) | 对象识别方法、装置和计算机可读存储介质 | |
CN112507912B (zh) | 一种识别违规图片的方法及装置 | |
CN114610758A (zh) | 基于数据仓库的数据处理方法、装置、可读介质及设备 | |
CN113254800A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN115774797A (zh) | 视频内容检索方法、装置、设备和计算机可读存储介质 | |
CN114579762B (zh) | 知识图谱对齐方法、装置、设备、存储介质及程序产品 | |
CN116992031B (zh) | 数据处理方法、装置、电子设备、存储介质及程序产品 | |
CN114418752B (zh) | 无类型标签用户数据的处理方法、装置、电子设备和介质 | |
CN116304610A (zh) | 基于特征变量的数据处理方法、装置和存储介质 | |
CN117076714A (zh) | 基于人工智能的对象识别方法、装置及可读存储介质 | |
CN115712627A (zh) | 基于人工智能的智慧金融反欺诈方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |